在当今信息爆炸的时代，无论是学术研究、商业分析还是个人学习，都需要从海量的信息中快速获取、整理和分析关键内容。然而，传统的人工研究方法往往效率低下且容易遗漏重要信息。随着人工智能技术的飞速发展，AI驱动的研究工具应运而生，LangChain 团队开发了Local Deep Researcher。它旨在通过 AI 技术帮助用户进行深入、迭代式的主题研究。与传统的研究方法不同，Local Deep Researcher 能够自动分解问题、检索信息、生成总结，并通过多轮迭代来不断完善研究结果。
一、项目概述
Local Deep Researcher 是一款完全本地化运行的网络研究助手，依托Ollama所托管的各类大语言模型开展工作。它的核心设计理念是 “隐私与效率并重”，旨在帮助用户高效地进行深度研究。当用户输入一个研究主题后，Local Deep Researcher 会自动生成网络搜索查询，并通过配置的搜索引擎（如默认的 Tavily，也支持 DuckDuckGo、Perplexity 等）收集相关的网络搜索结果。接着，模型会对这些结果进行总结分析，反思总结内容以识别知识差距，进而生成新的搜索查询来填补这些差距。这一迭代优化过程会持续进行，直至达到用户设定的总结次数，最终为用户输出一份包含所有引用来源的 Markdown 格式总结报告 。这种自动化、迭代式的研究流程，极大地提升了研究效率，减少了人工筛选信息的繁琐工作。
二、核心功能
（一）深度、迭代式研究
Local Deep Researcher 的核心功能之一是其深度、迭代式的研究方法。它能够自动将复杂的研究问题分解为多个子问题，并针对每个子问题进行信息检索和分析。然后，它会根据已有的答案识别知识缺口，并生成新的搜索查询以填补这些缺口。这个过程会重复进行，直到达到用户设定的迭代次数。
（二）灵活的 AI 模型支持
Local Deep Researcher 支持多种 AI 模型，用户可以根据自己的需求选择本地模型或云模型。例如，它支持通过Ollama 使用本地LLM，也支持通过LMStudio使用其他模型。这种灵活性使得用户可以在保护隐私的同时，根据自己的硬件条件和性能需求选择合适的模型。
（三）丰富的输出选项
Local Deep Researcher 的输出非常灵活，支持多种格式。它能够生成详细的研究报告，包括总结、引用和参考文献。此外，它还可以生成快速摘要，方便用户快速了解研究的主要内容。
（四）隐私保护
Local Deep Researcher 提供了强大的隐私保护功能。它支持完全在本地运行，所有数据和模型都可以存储在用户的本地设备上，从而避免了数据泄露的风险。
（五）强大的搜索集成
Local Deep Researcher 集成了多种搜索工具，包括 DuckDuckGo、Tavily 和 Perplexity 等。用户可以根据自己的需求选择不同的搜索工具，并通过配置文件添加相应的 API 密钥。此外，它还支持本地文档搜索，用户可以上传自己的文档集合，以便在研究过程中使用。
三、技术原理
（一）迭代式研究流程
Local Deep Researcher 的技术原理基于迭代式研究流程。它首先使用本地 LLM 生成一个搜索查询，然后通过搜索引擎获取相关文档。接着，它使用 LLM 对这些文档进行总结，并识别知识缺口。然后，它生成新的搜索查询，继续获取和总结信息，这个过程会重复进行，直到达到用户设定的迭代次数。
（二）多轮分析与智能问题生成
Local Deep Researcher 的另一个重要技术特点是多轮分析和智能问题生成。它能够根据已有的答案和知识缺口，自动生成新的问题和搜索查询。这种多轮分析的方法能够确保研究的深度和广度，帮助用户全面了解研究主题。
（三）本地与云模型的结合
Local Deep Researcher 支持本地和云模型的结合。用户可以选择使用本地 LLM，以确保数据隐私和安全；也可以选择使用云模型，以获得更强大的功能和更高的性能。这种灵活性使得 Local Deep Researcher 能够满足不同用户的需求。
四、应用场景
（一）学术研究
Local Deep Researcher 在学术研究中具有广泛的应用。它可以帮助研究人员快速获取和分析科学论文，整理研究思路，生成详细的文献综述。通过多轮迭代分析，研究人员可以深入探索复杂的研究问题，发现新的研究方向。
（二）商业分析
在商业领域，Local Deep Researcher 可以帮助分析师跟踪行业动态和市场趋势。它能够快速生成商业报告，提供详细的市场分析和竞争情报。通过灵活的搜索工具和多轮分析，分析师可以深入了解特定市场或行业的各个方面。
（三）个人学习
对于个人学习者来说，Local Deep Researcher 是一个非常有用的工具。它可以快速整理和总结知识，帮助学习者快速了解一个主题的主要内容。通过多轮迭代分析，学习者可以深入探索感兴趣的主题，提高学习效率。
五、快速使用
（一）克隆仓库
首先，克隆Local Deep Researcher项目的仓库：
git clone https://github.com/langchain-ai/local-deep-researcher.gitcd local-deep-researcher
（二）编辑 `.env` 文件
cp .env.example .env编辑`.env` 文件以根据需要自定义环境变量。这些环境变量控制模型选择、搜索工具和其他配置设置。当你运行应用程序时，这些值将通过 `python-dotenv` 自动加载。
（三）选择本地模型（使用 Ollama）
1. 下载适用于 Mac 的 Ollama 应用程序。
2. 从 Ollama 拉取本地 LLM。例如：
ollama pull deepseek-r1:8b3. （可选）更新 `.env` 文件，添加以下 Ollama 配置设置：
OLLAMA_BASE_URL="http://localhost:11434" # Ollama 服务端点，默认为 `http://localhost:11434`OLLAMA_MODEL="deepseek-r1:8b" # 使用的模型，默认为 `llama3.2`，如果不设置
（四）选择本地模型（使用 LMStudio）
1. 下载并安装 LMStudio。
2. 在 LMStudio 中：
– 下载并加载你偏好的模型（例如，qwen_qwq-32b）。
– 转到“Local Server”选项卡。
– 启动带有 OpenAI 兼容 API 的服务器。
– 记下服务器 URL（默认：http://localhost:1234/v1）。
3. （可选）更新 `.env` 文件，添加以下 LMStudio 配置设置：
LLM_PROVIDER=lmstudioLOCAL_LLM=qwen_qwq-32b # 使用 LMStudio 中显示的确切模型名称LMSTUDIO_BASE_URL=http://localhost:1234/v1
（五）选择搜索工具
默认情况下，它将使用 DuckDuckGo 进行网络搜索，无需 API 密钥。但你也可以通过添加 API 密钥使用 SearXNG、Tavily 或 Perplexity。在 `.env` 文件中更新以下搜索工具配置和 API 密钥：
SEARCH_API="duckduckgo" # 使用的搜索 API，默认为 `duckduckgo`TAVILY_API_KEY="your_tavily_api_key" # Tavily API 密钥PERPLEXITY_API_KEY="your_perplexity_api_key" # Perplexity API 密钥MAX_WEB_RESEARCH_LOOPS=3 # 研究循环的最大次数，默认为 `3`FETCH_FULL_PAGE=false # 使用 DuckDuckGo 时获取完整页面内容，默认为 `false`
（六）使用 LangGraph Studio 运行
-
Mac
1. （推荐）创建虚拟环境：
python -m venv .venvsource .venv/bin/activate
2. 启动 LangGraph 服务器：
curl -LsSf https://astral.sh/uv/install.sh | shuvx --refresh --from "langgraph-cli[inmem]" --with-editable . --python 3.11 langgraph dev
-
Windows
1. （推荐）创建虚拟环境：
– 安装 `Python 3.11`（在安装过程中添加到 PATH）。
– 重启终端，确保 Python 可用，然后创建并激活虚拟环境：
python -m venv .venv.venv\Scripts\Activate.ps1
2. 启动 LangGraph 服务器：
pip install -e .pip install -U "langgraph-cli[inmem]"langgraph dev
（七）使用 LangGraph Studio UI
启动 LangGraph 服务器后，你将看到以下输出，Studio 将在浏览器中打开：
“`
Ready!
API: http://127.0.0.1:2024
Docs: http://127.0.0.1:2024/docs
LangGraph Studio Web UI: https://smith.langchain.com/studio/?baseUrl=http://127.0.0.1:2024
“`
通过上述 URL 打开 `LangGraph Studio Web UI`。在 `configuration` 选项卡中，你可以直接设置各种助手配置。请注意配置值的优先级顺序：
1. 环境变量（最高优先级）
2. LangGraph UI 配置
3. `Configuration` 类中的默认值（最低优先级）
六、结语
Local Deep Researcher 是一个强大的开源深度研究工具，它结合了本地运行的优势和强大的 AI 功能。通过深度、迭代式的研究方法，它能够帮助用户快速获取和整理大量信息，生成详细的研究报告。无论是在学术研究、商业分析还是个人学习中，Local Deep Researcher 都能够显著提高研究效率。此外，它还提供了灵活的配置选项，支持本地和云模型，满足不同用户的需求。
七、相关资源
GitHub 项目地址：https://github.com/langchain-ai/local-deep-researcher
Ollama 官方网站：https://ollama.com/
LMStudio 官方网站：https://lmstudio.ai/
LangGraph 项目地址：https://github.com/langchain-ai/langgraph
（文：小兵的AI视界）